一種風電接入系統中HPFC裝置的優化配置方法和系統與流程

本發明屬于風電接入系統控制，尤其涉及一種風電接入系統中hpfc裝置的優化配置方法和系統。

背景技術：

1、風電場的出力具有很強的隨機性與時序性，容易導致風電接入系統出現線路過載、atc(available?transfer?capability,可用輸電能力)受限等問題，給系統運行帶來較大的安全隱患。近年來，有研究提出了兼顧經濟性和功能性的混合型潮流控制器(hybridpower?flow?controller,hpfc)，其能夠快速、準確、靈活地調控輸電線路中的潮流，為提升系統atc提供了新的技術方案。

2、現有研究在考慮風電等不確定因素的風電接入系統atc計算方面通常采用概率性計算方法。然而，大多數概率性方法通常需要大量的樣本數據作為支撐，計算效率較差。現有hpfc裝置優化配置研究大多僅考慮基態(即系統發電機和負荷未發生明顯變化的平穩運行狀態)下的系統約束條件，這會導致hpfc裝置在系統臨界條件(系統發電機出力和負荷按一定比例增加后系統的極限運行狀態)下容易出現控制能力不足的問題，進而引發系統安全問題。此外，由于hpfc裝置的優化配置是一個強非線性問題，大多是通過啟發式算法來實現求解。但傳統啟發式算法在初始值選取和尋優過程中都具有隨機性，容易陷入局部最優的情況，且風電接入系統的隨機性計算會更進一步加大優化配置的計算量，使得傳統啟發式算法在應用于風電接入系統中hpfc裝置的優化配置時的尋優效果較差。

3、因此，如何設計一種簡單高效并能計及新能源不確定性的且可提升系統atc的風電接入系統中hpfc裝置的優化配置方法和系統，以提高風電接入系統靈活調控能力和新能源消納，是本領域技術人員亟待解決的問題。

技術實現思路

1、針對現有技術的不足，本發明提出了一種風電接入系統中hpfc裝置的優化配置方法和系統。

2、本發明可以通過以下技術方案實現：

3、一種風電接入系統中hpfc裝置的優化配置方法，包括：

4、對所述風電接入系統的歷史風電出力樣本數據和歷史負荷樣本數據進行聚類，形成典型風電出力樣本數據和典型負荷樣本數據；

5、構建以hpfc裝置的裝機位置和裝機容量為決策變量的雙層優化模型，所述雙層優化模型包括考慮hpfc的經濟性和控制效果的上層優化模型和考慮風電接入系統atc的下層優化模型；

6、基于典型風電出力樣本數據和典型負荷樣本數據，對所述雙層優化模型進行求解，獲取hpfc裝置的優化配置方案。

7、進一步地，所述對所述風電接入系統的歷史風電出力樣本數據和歷史負荷樣本數據進行聚類，形成典型風電出力樣本數據和典型負荷樣本數據的具體步驟包括：

8、獲取歷史風電出力樣本數據和歷史負荷樣本數據，并分別建立風電出力樣本數據矩陣和負荷樣本數據矩陣；

9、采用改進k均值聚類算法分別對所述電出力樣本數據矩陣和負荷樣本數據矩陣進行聚類，形成典型風電出力樣本數據和典型負荷樣本數據；其中，改進k均值聚類算法的具體步驟包括：

10、計算各樣本之間的歐式距離，將歐式距離最遠的2個樣本設置為初始聚類中心，并形成初始聚類中心集合，分別計算剩余樣本與初始聚類中心的歐式距離，將歐式距離最遠的樣本加入初始聚類中心集合，直到初始聚類中心集合包含k個樣本為止；計算各樣本與初始聚類中心之間的相似性，將相似性較大的樣本歸類到同一個聚類，所有樣本歸類完成后，重新計算各聚類的聚類中心；重復以上步驟直至迭代收斂；

11、迭代收斂的具體標準為：

12、et-et-1|≤0.0001

13、

14、其中，et為第t次迭代的樣本殘差平方和；et-1為第t-1次迭代的樣本殘差平方和；

15、k為聚類數目；nk為樣本數；nε為維度數；為第t次迭代時第k個聚類中第γ個樣本第ε維的值；為第t次迭代時第k個聚類中心第ε維的值。

16、依據得到的聚類結果，計算不同聚類數量對應的sse指標與chi指標，依據sse指標計算結果確定最佳聚類數量所在的范圍，通過chi指標的計算結果進一步確定最佳聚類數量。

17、進一步地，所述上層優化模型的目標函數包括hpfc裝置的配置成本和節點電壓偏移分別最小；上層優化模型的約束條件包括等式約束和不等式約束，其中，等式約束為風電接入系統基態下的節點功率平衡約束；不等式約束為風電接入系統基態下的狀態變量的不等式約束，所述狀態變量的不等式約束包括發電機有功和無功出力約束、正常運行和故障情況下的線路潮流約束和節點電壓幅值約束；

18、所述下層優化模型的目標函數為風電接入系統atc最大；所述下層優化模型的約束條件包括等式約束和不等式約束；其中，等式約束為風電接入系統臨界條件下的節點功率平衡約束；不等式約束為風電接入系統臨界條件下的狀態變量的不等式約束。

19、進一步地，所述hpfc裝置的配置成本的計算公式如下：

20、

21、其中，f1為hpfc裝置的配置成本函數；a1、a2、a3為價格常數；sh為hpfc裝置穩態運行容量；

22、所述節點電壓偏移的計算公式如下：

23、

24、

25、其中，f2為計及多場景的綜合節點電壓偏移函數；kξ為場景個數；λξ為第ξ個場景的概率；nξ為第ξ個場景中的樣本數；vb為節點b的電壓幅值；nb為風電接入系統節點總數；vbase為節點基準電壓；n為樣本總數；

26、所述風電接入系統atc的計算公式如下：

27、

28、其中，f3為計及多場景的風電接入系統atc函數；nkey為atc計算斷面所包含的線路總數；為發電機出力和負荷增加后風電接入系統達到臨界條件時斷面線路l的輸電能力；為斷面線路l的原始輸電能力。

29、進一步地，所述風電接入系統基態下的節點功率平衡約束和風電接入系統臨界條件下的節點功率平衡約束的計算公式分別如下：

30、

31、

32、其中，pgα、qgα分別為節點α處發電機的有功和無功出力；pdα、qdα分別為節點α處的有功和無功負荷；vα、vβ分別為節點α和β的電壓幅值；gαβ、bαβ分別為線路αβ的電導和電納；θαβ為節點α和β的電壓相角差；若節點α為hpfc的接入節點，則ptα和qtα分別為hpfc對該節點的有功、無功注入功率，若α為風電接入系統中其他節點，ptα＝qtα＝0；λg為發電機出力增長系數；λd為負荷增長系數；若節點α為發電區節點，則λd＝0；若節點α為受電區節點，則λg＝0。

33、進一步地，所述對所述雙層優化模型進行求解的具體方法包括：

34、首先確定hpfc裝置的備選裝機位置，分別針對hpfc裝置的每一備選裝機位置，采用改進mopso算法對所述雙層優化模型進行迭代求解，得到不同備選裝機位置對應的最佳裝機容量；所述迭代求解的具體步驟為：

35、依據tent混沌映射初始化若干個粒子，每個粒子由hpfc裝置的決策變量和風電接入系統基態下的發電機出力組成的相量；將生成的粒子信息和風電接入系統基態下的負荷傳輸到下層優化模型，基于下層優化模型的等式約束，分別在正常運行工況下和故障運行工況下，進行含hpfc的風電接入系統的潮流計算，獲取風電接入系統達到臨界條件時的發電機出力和負荷增長系數，得到風電接入系統的atc以及正常運行工況下和故障運行工況下hpfc裝置的裝機容量及風電接入系統各節點的電壓參數，再計算風電接入系統臨界條件下的hpfc裝置的配置成本和節點電壓偏移，并將atc、臨界條件下的hpfc裝置的配置成本和節點電壓偏移傳輸回上層優化模型；

36、基于粒子信息和上層優化模型的等式約束，分別在正常運行工況下和故障運行工況下，進行含hpfc的風電接入系統基態下的潮流計算，得到正常運行工況下和故障運行工況下hpfc裝置的裝機容量及風電接入系統各節點的電壓參數，再計算風電接入系統基態下的hpfc裝置的配置成本和節點電壓偏移；

37、基于單個粒子信息計算得到的atc以及較大的一組hpfc裝置配置成本和節點電壓偏移即為該粒子對應的目標函數值；校驗計算得到的狀態變量是否滿足不等式約束，若滿足，則記錄該粒子信息與對應的目標函數值，若不滿足，則對該粒子對應的目標函數值增加罰函數；所有粒子校驗完成后，依據非劣解篩選原則建立pareto解集；判斷迭代是否達到目標迭代次數，若未達到，則更新粒子信息，并重新進行下層優化模型的計算；若達到，則迭代終止；迭代終止后，計算各pareto解的模糊滿意度，模糊滿意度最大的pareto解即為最優解。

38、對比hpfc裝置在不同裝機位置下得到的最優目標函數，進一步確定hpfc裝置的最佳裝機位置。

39、進一步地，所述tent混沌映射初始化粒子的具體方法包括：

40、首先隨機生成取值范圍在0～1的混沌變量x0，再把x0通過tent混沌迭代函數進行多次迭代，將迭代后的混沌變量映射至粒子位置的取值范圍，生成初始粒子群；其中，tent混沌迭代函數公式如下所示。

41、

42、其中，η表示粒子序號。

43、進一步地，所述粒子速度和位置的更新方法如下：

44、

45、其中，和分別表示第η個粒子第d維變量第t次迭代的位置和速度；和分別表示第η個粒子第d維變量第t+1次迭代的位置和速度；tmax為最大選代次數；c1、c2為加速度因子，均取為2；r1、r2分別表示0～1內的隨機數；pηd表示第η個粒子第d維在歷史搜索中的最優位置；表示第t次選代第d維變量的群體最優位置；w、wmax和wmin分別為慣性權重及其上下限值。

46、進一步地，所述pareto解的模糊滿意度計算方法為：

47、

48、其中，τδ表示該pareto解的第δ個目標函數的模糊滿意度值；fδ為該pareto解的第δ個目標函數；fδmax、fδmin分別為pareto解集中第δ個目標函數的最大、最小值；fп、fω分別表示成本型函數和效益型函數。

49、一種風電接入系統中hpfc裝置的優化配置系統，包括聚類模塊、模型構建模塊和模型求解模塊；

50、所述聚類模塊，用于對所述風電接入系統的歷史風電出力樣本數據和歷史負荷樣本數據進行聚類，形成典型風電出力樣本數據和典型負荷樣本數據；

51、所述模型構建模塊，用于構建以hpfc裝置的裝機位置和裝機容量為決策變量的雙層優化模型，所述雙層優化模型包括考慮hpfc的經濟性和控制效果的上層優化模型和考慮風電接入系統atc的下層優化模型；

52、所述模型求解模塊，用于基于典型風電出力樣本數據和典型負荷樣本數據，對所述雙層優化模型進行求解，獲取hpfc裝置的優化配置方案。

53、相比于現有技術本發明具有如下有益效果：

54、本發明提出一種風電接入系統中hpfc裝置的優化配置方法和系統，該方法構建了以hpfc裝置的裝機位置和裝機容量為決策變量的雙層優化模型，雙層優化模型包括考慮hpfc的經濟性和控制效果的上層優化模型和考慮風電接入系統可用輸電能力的下層優化模型，即本發明采用將hpfc裝置容量與系統atc進行分解計算的hpfc雙層優化配置模型，在計算系統atc時獲取風電接入系統臨界條件，計算能同時滿足風電接入系統在基態和臨界條件下的hpfc裝機容量，解決了傳統算法獲得的hpfc裝置的裝機容量難以適應在系統臨界條件的問題，擴展了所得優化配置方案的適應范圍。

55、本發明的優化配置方法采用改進k均值聚類算法對大規模場景進行削減，獲取典型風電、負荷場景集合，避免了傳統概率性方法所需的大量數據計算，提高了風電接入系統的計算效率。該算法基于歐式距離確定具有較大差異性的初始聚類中心，通過sse指標與chi指標的共同判斷最佳聚類方案，克服了傳統聚類算法由于隨機選取初始聚類中心而導致聚類情況波動和難以確定最優聚類數目的缺陷，從而獲得更具代表性的風電、負荷場景。

56、本發明的優化配置方法采用改進mopso算法對所提出的hpfc雙層優化配置模型進行求解，在傳統mopso算法的基礎上引入tent混沌初始化和變慣性權重的環節，在提高初始粒子分布均勻性的同時，進一步提升算法的尋優速度和尋優能力，改善了傳統啟發式算法計算速度慢、容易陷入局部最優的問題，提高了求解所得配置方案的經濟性和功能性。